Tradotto dall'originale inglese. Dati e fonti restano invariati. Leggi l'originale in inglese
University Medicine Magdeburg
L’ospedale universitario di Magdeburgo ospita Llama 3.2-Vision sul proprio server per 322 dipendenti
University Medicine Magdeburg, in Germania, ha creato una piattaforma di chat con IA in hosting interno, basata sul modello a pesi aperti Llama 3.2-Vision 90B di Meta e in esecuzione su un solo server di proprietà. In un sondaggio tra il personale due mesi dopo il lancio, il 70,3% dei rispondenti ha giudicato alte l’affidabilità e la velocità.
Dati chiave
Copiati esattamente dalle fonti. Copiate qualsiasi dato insieme alla sua citazione.
44%
(40 persone)
Rispondenti che hanno dichiarato di risparmiare almeno 30 minuti di lavoro a settimana, secondo l’abstract dello studio (autodichiarato)1
70,3%
(64 su 91)
Rispondenti che hanno giudicato affidabilità e velocità estremamente o moderatamente alte1
Cosa è servito
Le fonti non rendono noti costi, dimensioni del team e tempi.
Il problema
Il personale dell’ospedale usava già chatbot di IA pubblici per scrivere e cercare informazioni. Gli ospedali trattano dati personali sensibili, e inviarli a un servizio esterno può entrare in conflitto con le norme sulla protezione dei dati. Il Data Integration Center di University Medicine Magdeburg voleva uno strumento che il personale potesse usare senza che i dati uscissero dalla struttura.
Cosa hanno costruito
Il centro ha costruito una piattaforma di chat con IA su Llama 3.2-Vision 90B, un modello a pesi aperti di Meta. Pesi aperti significa che i file del modello sono pubblicati, quindi un’organizzazione può eseguirlo sul proprio hardware. Il modello sa leggere testo e immagini. La piattaforma è stata lanciata il 3 marzo 2025 per il personale amministrativo, sanitario e di ricerca.
Funziona su un solo server di proprietà dell’ospedale, con una GPU NVIDIA H100 (80 GB di memoria). Lo studio riporta 25,3 token in uscita al secondo. Un token è un piccolo frammento di parola.
Come ci sono riusciti
Il team ha annunciato la piattaforma tramite la mailing list interna dell’ospedale, e il personale si è registrato indicando la propria unità organizzativa. Due mesi dopo il lancio ha inviato agli utenti registrati un sondaggio online di dieci domande, rimasto aperto per 26 giorni con due solleciti. Chiedeva la frequenza d’uso, le attività, la soddisfazione e il tempo risparmiato a settimana. Lo studio è stato esentato dall’approvazione etica perché non prevedeva interventi né informazioni sensibili.
Risultati
Dei 322 utenti registrati, 98 hanno partecipato al sondaggio e 91 hanno dato risposte complete. L’abstract dello studio riporta che il 44% (40 persone) ha dichiarato di risparmiare almeno 30 minuti di lavoro a settimana. Affidabilità e velocità sono state giudicate alte dal 70,3%, la qualità delle risposte dal 60,4%. La maggior parte dei rispondenti (85,7%) ha impiegato meno di 15 minuti per iniziare.
L’uso variava in base al ruolo. Il personale sanitario e di ricerca ha usato la piattaforma più spesso degli amministrativi, e per attività di creazione e analisi.
Cosa è andato storto
La critica più frequente, espressa dal 37,4% dei rispondenti, riguardava la qualità delle risposte. Circa un terzo di questi commenti (12 su 34) citava risposte false, come riferimenti inventati. I rispondenti hanno chiesto anche il caricamento di file, opzioni di esportazione, documentazione e formazione, e l’integrazione con il sistema informativo ospedaliero.
Cosa replicare
Fate un breve sondaggio poco dopo il lancio e usatelo per decidere formazione, funzionalità e gruppi di personale a cui rivolgervi in seguito.
Tutti i dati dichiarati
| Indicatore | Dato | Citazione |
|---|---|---|
| Utenti registrati sulla piattaforma | 322 (il 21,7% dei 1.484 dipendenti del gruppo target)1 | |
| Rispondenti al sondaggio con risposte complete | 91 su 98 partecipanti1 | |
| Rispondenti che hanno dichiarato di risparmiare almeno 30 minuti di lavoro a settimana, secondo l’abstract dello studio (autodichiarato) | 44% (40 persone)1 | |
| Rispondenti che hanno giudicato affidabilità e velocità estremamente o moderatamente alte | 70,3% (64 su 91)1 | |
| Rispondenti che hanno giudicato la qualità delle risposte estremamente o moderatamente alta | 60,4% (55 su 91)1 | |
| Rispondenti che hanno impiegato meno di 15 minuti per familiarizzare con la piattaforma | 85,7% (78 su 91)1 | |
| Critiche in testo libero sulla qualità delle risposte | 37,4% (34 su 91)1 |
Lezioni per il vostro progetto
Un solo server di medie dimensioni può reggere un pilota ospedaliero. Questo usava un’unica GPU NVIDIA H100 e produceva 25,3 token (frammenti di parola) in uscita al secondo.
Mettete in conto un’adozione diseguale tra i ruoli. Il personale sanitario e di ricerca ha usato la piattaforma più degli amministrativi, quindi indirizzate la formazione ai gruppi che ne hanno bisogno.
Misurate presto il valore percepito. Un breve sondaggio due mesi dopo il lancio ha mostrato dove gli utenti vedevano un risparmio di tempo e che cosa volevano in seguito.
Pianificate le allucinazioni. La lamentela più frequente riguardava le risposte sbagliate, compresi riferimenti inventati, quindi chiedete agli utenti di verificare le fonti.
Avvertenze
- Gli autori sono il team dati dello stesso ospedale, e il risparmio di tempo è autodichiarato da rispondenti volontari al sondaggio (91 dei 322 utenti registrati).
- Solo il 30,4% degli utenti registrati ha risposto al sondaggio, quindi i risultati riflettono rispondenti autoselezionati. Gli autori non hanno eseguito test statistici perché i gruppi erano piccoli.
- Lo studio non indica né un budget di progetto né le dimensioni del team.
- La cifra del 44% di tempo risparmiato compare solo nell’abstract. La sezione dei risultati non la riporta per l’intero campione, e le stesse cifre di 40 su 91 vi compaiono per il personale amministrativo, quindi va trattata con cautela.
- Lo studio indica la quota di utenti settimanali come 62,6% (57) nell’abstract e 61,5% (56) nel testo, perciò questo rapporto la omette.
Fonti
- Implementation and User Evaluation of an On-Premise Large Language Model in a German University Hospital Setting: Cross-Sectional Survey
JMIR AI · 2026-04-15 · Articolo di ricerca · ai.jmir.org
Riassunto con parole nostre a partire dalle fonti sopra indicate. Avete notato un errore? Consultate le rettifiche.